开发和验证可解释的机器学习模型,用于预测ICU患有恶性瘤和高血症的ICU患者的早期预后

科学领域:

• 临界护理医学 临界护理医学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 恶性瘤和高血症 (MTH) 在重症监护室 (ICU) 患者中存在显著的死亡风险.
• 准确预测医院死亡对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测患有MTH的ICU患者的死亡率.
• 确定这一患者队列中死亡率的关键临床预测因素.

主要方法:

• 使用MIMIC-IV数据库 (v2.2) 来提取患者数据.
• 用于特征选择的最小绝对收缩和选择运算符 (LASSO) 回归和用于模型开发的极端梯度提升 (XGBoost).
• 应用了夏普利添加式解释 (SHAP) 和局部可解释的模型不可知解释 (LIME) 来实现模型的可解释性.

主要成果:

• 该XGBoost模型实现了高的预测性能 (训练准确度:1,000,AUC:1,000;验证准确度:0.734,AUC:0.733).
• 确定的主要预测因素包括尿液输出,平均心率,最大尿素和最小氧和.
• 校准曲线证实了该模型的良好预测准确性.

结论:

• 机器学习模型,特别是XGBoost,在预测MTH的ICU患者的死亡风险方面是有效的.
• 尿量和平均心率是MTH患者死亡率的重要指标.
• SHAP和LIME分析提高了预测模型的解释性和临床实用性.